Динамическая архитектура ЭС
Динамические экспертные системы имеют изменяемую во времени базу знаний и делают выводы на ее основе. Поэтому в таких динамических экспертных системах одна и та же задача может быть решена по-разному, если вы обратитесь к экспертной системе в разное время. Например, экспертная система, прогнозирующая поведение финансовых рынков. Знания в экспертной системе пополняются и изменяются ежедневно и даже ежечасно. Ясно, что прогноз на первую неделю апреля о котировке доллара на рынке Форекс будет отличаться от прогноза на первую неделю марта того же года. Хотя алгоритм прогнозирования останутся те же, но знания экспертной системы о рынках за этот месяц изменится существенным образом.
На рис. 1.2 показано, что в архитектуру динамической ЭС по сравнению со статической ЭС вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением. Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической ЭС (база знаний и машина вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.
Приобретение знаний.
Эксперименты по обучению ЭС связаны с передачей опыта эксперта машине. Обновление информации в БЗ поручается администратору в режиме обучения.
Обучение может быть сведено к добавлению новых фактов и правил, использующихся для этого, например, в Прологе, встроенные предикаты: добавить, удалить факт в БД.
Если БЗ выполнена как нейронная сеть, то обновление будет связано с изменением в настройках весовых коэффициентов нейронов – т.е. использование определенного алгоритма обучения.
Обучение ЭС имеет цель улучшить ее работу, используя накопленный опыт, расширить круг решаемых задач, получить более точные результаты, совершенствовать эвристики в базах знаний, выраженные более ясно они становятся доступнее для понимания.
Наиболее успешно работающие системы, имеющие режим обучения, предназначены для решения классифицированных задач: распознавание образов, речи, текста. Даже мозг ребенка способен решать задачи, с которыми с трудом только начинает справляться компьютер. Уникальность мозга – способность к обучению. Малообоснованные эвристические методы поиска близки к технологии нейронных сетей.
В проектируемых системах текущий уровень оценок может быть повышен за счет новых правил. Запоминание является разновидностью обучения. Используются различные приемы для повышения эффективности запоминания.
Универсальный механизм обучения – генетический поиск.
Обучающая компонента реализует генетическую стратегию поиска, отвечающую за порождение новых эвристик. Он обеспечивает тонкую настройку мер доверия по мере накопления опыта. Фактически использование генетического алгоритма позволяет создавать новую БЗ.
Итак, для моделирования структур знаний можно использовать генетический алгоритм, который нацелен на поиск оптимального решения. В этих алгоритмах используется идея естественного отбора.
Важным моментом при обучении является момент обобщения или конкретизации некоторого понятия. Приемов уточнения, совершенствования знаний немного, например, использование нескольких уровней правил, несколько форм эвристик.
Программа по мере работы подстраивается, изменяя те параметры, которые были настроены в правилах сначала.